Page 66 - 202004期
P. 66
应用技术
最高的正确率，这就是我们需要的算法，它 Class i分类。漏水点位于该样本数据采集点
可以运用到漏水检测中了。将检测到的漏水 相距（i-1）米到i米之间，误差一米以内。由于
数据，作为新样本的特征向量x 输入智能系 管道漏水产生声音的声场是有限的，所以n不
0
统，利用这一算法进行计算，输出标签y 。根 会太大，计算量也不会无限制增加。
0
据y 取值： 如果需要增加判断精度，就需要将距离
0
若y ＝+1，则该样本为漏水点 数据分段（类）继续细化，但首先需要增大训
0
若y ＝-1，则该样本非漏水点 练样本数量，以保证每个分类的样本量；其次
0
4.5 利用SVM判断漏水点距离 分段（类）细化会带来计算量的几何级数的
上文用较大篇幅介绍了SVM机器学习 增加，作为便携检测设备不可能具有很高的
算法，以及输入一个漏水声音样本，SVM如 计算能力，但若能借助5G高速传输实现远端
何得出该样本是否是漏点的判断，但这样的 云计算，计算能力将不受检测设备便携性的
结果似乎对我们测漏工作的帮助是很有限 限制，有强大计算能力的支撑。距离数据分段
的，我们更希望漏水声音样本不是漏水点时， （类）可以进一步细化，判断精度甚至可以精
SVM可以告诉我们漏水点距该样本采集点的 确到厘米级。
距离，答案是肯定的，但需要将标签数据和 4.6 智能系统的不断完善
SVM的训练模式进行改造。 智能系统投入使用后，在检测工作中会
我们在数据采集阶段其中一个数据是 采集到新的数据，这些数据连同开挖后与实
数据采集点到漏水点的距离，正常流程是如 际漏水点的距离这一标签数据可以回传到数
果该点是漏水点记作标签Class 1，如果不是 据库，归入训练样本集，以扩大样本数量，提
漏水点记作标签Class 2.现将标签改造为： 高算法的识别率。由于加入了新的训练样本，
表3 SVM需要重新训练，新加入样本可能使支持
距漏水点＜1米 记作Class 1
向量发生改变，因此需要重新设置参数使算
距漏水点≥1米且＜2米 记作Class 2
法达到最佳性能指标。这个过程需要定期或
距漏水点≥2米且＜3米 记作Class 3
…… 定量的方式进行，周而复始，智能系统将不断
距漏水点≥（n-1）米且＜n米 记作Class n
完善。
这 样，我们将采集到的 样本分为n 段
5 结论
（类），然后将它们两两一组训练一个SVM
算法，经过[n（n-1）]/2次训练得到同样多数 数据量化和机器学习为漏水检测开启了
量的SVM算法，然后将检测到的新样本带入 一扇实现人工智能的大门，不仅限于支持向
这些算法，通过[n（n-1）]/2次分类判断，被分 量机，回归算法、聚类算法、降维算法，还有
到最多次的类别Class i，那么该样本就属于 近些年因深度学习理论而炙手可热的神经网
52 地下管线管理
